Vous êtes sur la page 1sur 3

1

Facial
Sistema Online Basado en Verificacion

desde Dispositivos Moviles


empleando Redes
Neuronales Convolucionales
Niquin
Bruno Tafur Coronel-Zegarra , Marks Arturo Calderon
Universidad ESAN
11100133@ue.edu.pe, mcladeron@esan.edu.pe
se resumen los resultados obtenidos del desarrollo de un sistema de verificacion
facial para
ResumenEn la presente investigacion

de redes neuronales convolucionales. El sistema realiza un proceso de verificacion

la seguridad biometrica
mediante la utilizacion
facial. Asimismo, se utilizan
facial, el cual se basa en detectar el rostro, alinearlo, extraer las caractersticas y realizar la verificacion

de vectores de caractersticas que permitan tomar una decision

las redes neuronales convolucionales como metodo


para la extraccion
sobre dos fotografas de rostros. La red busca maximizar la distancia entre rostros distintos y minimizar la distancia entre rostros de
la misma persona. La distancia entre ambos vectores es evaluada tomando en cuenta un punto de corte para determinar si son de la

misma persona. Se realizaron pruebas de efectividad del sistema en dispositivos moviles


con camara
con una muestra de 22 personas
obteniendo 484 comparaciones. Los resultados del prototipo muestran un nivel aceptable confiabilidad
Index Termsconvolutional neural networks, computer vision, online systems, face recognition

1.

I NTRODUCCI ON

computacional es el estudio de los procesos


vision
de reconocer y localizar objetos usando el procesamiento de imagenes de tal forma que se logre un

mayor entendimiento de estos [Sucar Gomez,


2008]. Para
esto se busca construir tecnologas con dichas capaci
dades. Asimismo, estos autores plantean que la vision
de caractersticomputacional se centra en la extraccion
cas de la imagen para que estas sean entendidas por
una computadora. Mediante el entendimiento de estas
caractersticas, las computadoras pueden determinar la
de ciertos objetos dentro de una imagen,
localizacion
reconocerlos, clasificarlos o descomponerlos. La presente
se apoya en el campo de la vision

implementacion
computacional, en especial en los metodos de verifica facial para la creacion
de un sistema online con
cion
facial tradicional
dichas funcionalidades. La verificacion
se basaba principalmente en metodos como eigenfaces
[Turk Pentland, 1991] o mas recientemente Local Bi
nary Patterns [Huang et al., 2012] para la extraccion
de caractersticas que faciliten el reconocimiento. Sin
de
embargo, el presente estudio plantea la utilizacion
redes neuronales convolucionales al ser las que mejores
resultados estan dando en la actualidad [Taigman, Yang,
Ranzato Wolf, 2014]. El proceso a utilizar empieza con
del rostro determinando si existe o no una
la deteccion

cara y donde
se encuentra dentro de la fotografa. Luego
del rostro para que se encuentre
se realiza la alineacion
lo menos rotado posible. A partir de esto, se extraen las
caractersticas de los rostros alineados y finalmente se
facial realizando la comparacion
de
logra la verificacion
las caractersticas de ambas imagenes. En la presente in las redes neuronales convolucionales permivestigacion,
ten extraer caractersticas representativas y diferenciales
de dos rostros de tal forma que sean comparables entre
A

s. Esta tiene como salida un vector de caractersticas


representativo por cada imagen. Dado que la literatu facial en dispositivos moviles

ra acerca de verificacion
de usuarios es carente,
sobre el esquema de validacion
se plantea un sistema bajo el uso de redes neuronales
convolucionales que presente dichas caractersticas. Se
que sirva como medida de
busca una implementacion
de riesgo de una suplantacion
de identidad al
reduccion
momento de realizarse un registro a un servicio en lnea.
De esta forma el sistema tiene como funcionalidad prin de la foto del Documento Nacional de
cipal la validacion
Identidad (DNI) comparandola con una foto de la misma
persona. El presente artculo esta dividido de la siguiente
de trabajos previos se destacan los
manera. En la seccion
centrandose
antecedentes principales de la investigacion
facial y redes neuronales convolucionales.
en verificacion
de metodologa se describe la teora que
En la seccion
del sistema de vision
computacional
implica la creacion
facial. En la seccion
de implementacion

de verificacion
se describe el sistema implementado y su arquitectura.
de experimentos y resultados
Luego, se tiene la seccion
de estos. Finalmente, se presentan las
y la discusion
conclusiones del estudio.

2.

T EORI A

DEL DOMINIO Y TRABAJOS PRE -

VIOS

facial tradicioLas implementaciones de verificacion


nalmente se basan en eigenfaces o fisher faces [Turk
Pentland, 1991; Belhumeur, Hespanha Kriegman, 1997]
de caractersticas. Sin embargo, la
para la extraccion
superioridad de las redes neuronales convolucionales
del modelo de
fue comprobada por la investigacion
DeepFace [Taigman, Yang, Ranzato, Wolf, 2014]. En los

modelos de redes neuronales convolucionales en la ve facial destaca principalmente el planteado en


rificacion
FaceNet [Schroff, Kalenichenko, Philbin, 2015]. Este tiene
como principal precedente a DeepFace [Taigman, Yang,
Ranzato, Wolf, 2014] y Google LeNet [Szegedy, y otros,
de re2014]. Estos estudios se centraron en la utilizacion
des neuronales convolucionales entrenadas con millones
de datos de fuentes privadas. Asimismo, recientemente se desarrollo un modelo OpenSource con bases de

datos publicas
y basado en estos estudios precedentes,
este tiene el nombre de OpenFace [Amos, Ludwiczuk,
Satyanarayanan, 2016], y demuestra que este tipo de
modelos son cada vez mas accesibles tanto a usuarios
por su movilidad y eficiencia como a desarrolladores.
de sistemas de
Por otro lado, dentro de la evaluacion
seguridad biometrica destaca la realizada en Usability
Evaluation of multi-modal biometric verification systems

[Toledano, Pozo, Trapote, Gomez,


2006], el cual hace
a detalle de la efectividad, eficiencia y
una evaluacion
del usuario en dichos sistemas y la relacion

satisfaccion
entre ellos. Asimismo, existen investigaciones referentes
de modelos similares en sistemas
a la implementacion
online como es el caso de Online Face Recognition System based on Local Binary Patterns and Facial Landmark
Tracking [Linna, Kannala, Rahtu, 2015].

3.

M ETODOLOGI A

facial se basara en seguir el proceso


La verificacion
de detectar los rostros, alinearlos, representarlos y clasificarlos [Taigman, Yang, Ranzato, Wolf, 2014; Amos,
Ludwiczuk, Satyanarayanan, 2016]. Asimismo, se utilizara como apoyo el desarrollo OpenSource de OpenFace [Amos, Ludwiczuk, Satyanarayanan, 2016] el cual
incluye un modelo pre-entrenado de red neuronal convolucional basado en FaceNet [Schroff, Kalenichenko,
Philbin, 2015]. Una red neuronal convolucional se utiliza
de caractersticas. Segn LeCun (1989),
para la extraccion
es de gran importancia extraer caractersticas locales
en vez de centrarse en los pixeles de manera especfica en una imagen. Muchos objetos pueden aparecer
distorsionados o en distintas posiciones haciendo que
sea necesario caractersticas generales que describan la
se
imagen en su conjunto o por a reas. Por esta razon,
debe dar importancia a las regiones de la imagen para
as detectar caractersticas en diversos tamaos y posiciones. Este comportamiento puede ser replicado en una
red neuronal forzando a las capas ocultas a combinar
local de la imagen. De esta forma,
fuentes de informacion
distintas caractersticas especiales pueden aparecer en
distintos lugares de la imagen y ser detectados de igual
manera. Las redes neuronales convolucionales son una
de las redes neuronales clasicas pero con mas
extension
dimensiones al recibir valores matriciales de imagenes
en mas de un canal. Asimismo, estas redes tienen varias
caractersticas que las diferencian entre las que resaltan
el compartir pesos entre neuronas y el uso de pesos
matriciales por cada neurona [Karpathy et al., 2016]. Las

redes neuronales convolucionales estan subdividas en


capas. Las capas mas comunes son las siguientes [Amos,
Ludwiczuk, Satyanarayanan, 2016]:
que deslizan un filtro sobre
Capas de convolucion
los valores de caractersticas de entrada.
Capas totalmente conectadas que hallan la sumatoria de los valores de entrada considerando ciertos
pesos.
Capas de submuestreo que suelen obtener el maximo o promedio de regions espaciales del mapa de
caractersticas

Figura 1. Red neuronal convolucional para reconocimiento de dgitos LeNet-5 [LeCun, 1998]
La red planteada devuelve un vector de caractersticas
facial, la distancia
por imagen. En la fase de verificacion
entre ambos vectores es evaluada tomando en cuenta un
punto de corte determinando para establecer si se trata
de dos fotos de la misma persona.

4.

I MPLEMENTACI ON

El sistema esta dividido en dos modulos


principales.

El primer modulo
representa la pagina web mediante un

prototipo de formulario de registro. El segundo modulo


facial el cual se enincluye el servicio de verificacion
cuentra en otro servidor.

Figura 2. Arquitectura del Sistema


de separar el sistema se debe a la conLa decision
veniencia y orden del desarrollo a futuro. Esto ayuda a
sencilla
evitar recodificaciones y permite la integracion
con sistemas existentes. Asimismo, facilita la reutiliza Podra haber mas de un sistema web llamando al
cion.
facial por separado sin causar
servicio de verificacion

interferencias ni reprogramacion.
4.1.

Plataforma Web

El primer bloque de la Figura 2 representa el equi web de registro que desease


valente a una aplicacion
conectarse con el algoritmo. Este incluye la parte visual

del prototipo en s con el formulario para que el usuario


interacte. Ademas, tiene una base de datos y un data
warehouse en la nube.

5.

E XPERIMENTOS

R ESULTADOS

debera contener en primer lugar todas las


Esta seccion
condiciones en las que se realizaron los experimentos
detallada de como

ademas de una descripcion


fueron
realizados y en que consisten, ademas de una descrip de la base de datos utilizada si es que se utilizo
cion
alguna. Para poder comprender mejor e stos resultados
es una buena idea utilizar tablas y guras. Sin embargo si
e stas se utilizan es muy importante describirlas detalla debe ser descrito, evitar
damente. Cada experimento solo
discutir los experimentos ya que las discusiones deben
de Discusion
de los Experimentos.
colocarse en la seccion

6.

C ONCLUSIONES

Y TRABAJOS FUTUROS

presenta las ideas nales, que son el resulEsta seccion

y los experimentos. Estas


tado de toda la investigacion
deberan plantearse de manera clara y objetiva. Tambien
extra que contenga los
se puede incluir una seccion
trabajos futuros derivados del mismo problema.
llamada RefeFinalmente, debera haber una seccion
rencias donde se presenta toda la bibliografa utilizada.
Es importante utilizar el mismo formato para cada tem
ademas de numerarlo o codicarlo para as poder referenciarlo.
contengan pagiNo se deberan incluir temas que solo
nas web, omitiendo datos importantes como el autor y
Ademas no se recomienda utilizar paginas web
el ano.
en la bibliografa ya que muchas de e stas no garantizan
que brindan.
la informacion
Luego de redactar el paper, debera enviarlo antes del
23 de junio, registrando en el Sistema de de Registro
de Trabajos. El paper debera estar en formato Microsoft
Word (DOC), PDF generado de LateX u OpenDocument
(ODT). Cada artculo no puede superar las 08 hojas. El

paper luego se sometera a un proceso de evaluacion


realizado por un comite con miembros de distintos
pases que evaluaran la calidad, relevancia, originalidad
de aceptacion

y valor practico del trabajo. La noticacion


del paper se realizara va e-mail.

R EFERENCIAS
[1]

H. Kopka and P. W. Daly, A Guide to LATEX, 3rd ed.


England: Addison-Wesley, 1999.

Harlow,